王利偉+徐曉輝+蘇彥莽+宋濤+鄧一凡+方正

摘要：利用數(shù)字圖像處理和支持向量機技術(shù)實現(xiàn)對植物葉部常見病害的自動識別，以葡萄葉部常見的白粉病、黑腐病、霜霉病為研究對象，對采集的圖像進行預(yù)處理后，提取病斑區(qū)域形狀、顏色和紋理的共15個特征，利用支持向量機分類器對葡萄葉部常見病害進行分類識別。結(jié)果表明，與其他核函數(shù)相比，徑向基核函數(shù)對葡萄葉部病害測試樣本的識別率最高，正確率達95.00%，說明利用計算機視覺技術(shù)實現(xiàn)對葡萄葉部常見病害的自動識別是可行的；通過多次試驗可以得出，利用多特征組合進行識別可以有效地提高葡萄葉部常見病害的識別準確率。

關(guān)鍵詞：葡萄病害；形狀特征；顏色矩；灰度共生矩陣；支持向量機

中圖分類號： TP391.41文獻標志碼： A文章編號：1002-1302（2017）23-0222-03

隨著機器視覺技術(shù)的不斷發(fā)展，植物病害的自動識別與診斷作為農(nóng)業(yè)現(xiàn)代化發(fā)展的重要一環(huán)已經(jīng)成為國內(nèi)外專家學(xué)者的研究熱點，應(yīng)用前景十分廣闊[1]。國內(nèi)外的專家學(xué)者已經(jīng)利用機器視覺技術(shù)在黃瓜、大麥、棉花等作物上進行了相關(guān)病蟲害識別的研究，Yao等利用描述顏色特征的直方圖和描述紋理特征的色調(diào)、飽和度、數(shù)值（hue saturation value，HSV）、顏色空間的共生矩陣實現(xiàn)對病害特征的提取，然后對多特征進行了篩選[2]；楊倩等采用顏色矩提取病斑顏色特征，應(yīng)用改進的局部二值化模式（local binary patterns，LBP）提取病斑紋理特征，通過支持向量機（support vector machine，SVM）實現(xiàn)對大麥病害的識別[3]；劉濤等采用改進的均值漂移（mean shift）圖像分割對水稻病斑進行準確分割，通過支持向量機對水稻15種病斑進行準確分類[4]；李冠林等利用K-means硬聚類實現(xiàn)病斑分割，采用SVM實現(xiàn)對小麥銹病的識別[5]。

本研究旨在利用數(shù)字圖像處理相關(guān)技術(shù)對葡萄葉部白粉病、黑腐病、霜霉病圖像進行預(yù)處理以及特征提取，并采用多特征組合的方式通過SVM對病斑進行分類識別測試。本研究是在OpenCV開發(fā)環(huán)境下，利用C++語言編程來實現(xiàn)上述數(shù)字圖像處理及分類識別等算法的開發(fā)，為后期將圖像移植到嵌入式平臺奠定基礎(chǔ)。

1圖像預(yù)處理及識別流程

1.1圖像預(yù)處理

采集葡萄的白粉病、霜霉病和黑腐病3種病害及正常圖像（對照）共200幅，訓(xùn)練樣本、測試樣本各占用其中120、80幅。經(jīng)過處理后圖像格式為JPEG，分辨率為400×400。

在進行圖像病斑特征采集之前，須要對圖像進行濾波去噪、灰度化、二值化和圖像病斑分割等預(yù)處理[6]?？紤]到圖像采集過程中灰塵、水霧等因素可能會對采集到的圖像產(chǎn)生噪聲，影響對病斑的識別效果，本研究采用3×3中值濾波對圖像進行去噪處理。經(jīng)過多次試驗得出，提取原病害圖像紅（R）、綠（G）、藍（B）3個通道的B通道圖像，最大類間方差（Otsu）閾值分割法[7]對原圖像植物病斑的分割效果最好，符合后期處理的要求。葡萄白粉病、霜霉病和黑腐病灰度化圖像以及病斑分割后二值化圖像的結(jié)果如圖1所示。

1.2識別流程

將采集到的圖像進行預(yù)處理后，可以得到葡萄葉片的灰度圖像、RGB 3個通道的分量圖像及病斑二值化圖像。然后分別對灰度圖像求灰度共生矩陣，直接計算RGB 3個通道的顏色矩，通過病斑二值化圖像計算葡萄葉部病害的紋理、顏色和形狀特征。具體識別流程如圖2所示。

2葉部病斑特征提取

2.1形狀特征提取

一般對形狀特征的提取是指對旋轉(zhuǎn)、位移和尺度變換不敏感的高層次視覺特征的提取，它主要體現(xiàn)被提取對象的幾何形狀[8]。常見的形狀特征包括病斑數(shù)量（C），主要是對病害葉片的病斑數(shù)量進行計算；面積（A），主要通過計算病斑區(qū)域內(nèi)的像素總和來描述；周長（L），主要通過病斑部位邊界線上像素之間的距離之和來描述；長軸（W）短軸（H）比，主要通過病斑區(qū)域的最小外接矩的長軸、短軸的比值來描述[9]。

由于上述特征不完全具有旋轉(zhuǎn)、平移和尺度不變性，這樣就不能較好地表達病斑的形狀特征，因此，可以根據(jù)上述特征

得出5個可以較好地描述形狀特征的參數(shù)[10]。矩形度R1=A/（H×W），為目標面積與其最小外接矩的面積之比，反映了目標對其最小外接矩的充斥程度；圓形度R2=4πA/L2，可以用來描述目標區(qū)域的粗糙程度；形狀復(fù)雜度R3=L2/A，可以用來描述區(qū)域的離散程度；內(nèi)接圓半徑R4=2A/L，為目標區(qū)域面積與周長比的2倍；伸長度R5=H/W，可以用來描述目標區(qū)域的緊湊性。這5個形狀特征具有旋轉(zhuǎn)、平移和尺度不變性，可以準確地表達病斑的形態(tài)、粗糙程度、緊湊度等信息，這樣就可以得到5個形狀特征的參數(shù)。

2.2顏色特征提取

顏色矩是描述顏色特征的主要方法之一，用顏色矩描述顏色特征具有簡單且有效的優(yōu)點，其主要思想是圖像中任何顏色分布均可以用它的矩來表示[11]。由于低階矩就可以描述圖像顏色的主要信息分布，本研究提取葡萄病害圖像的一階矩和二階矩作為顏色特征，可分別表示所選區(qū)域圖像的平均顏色和標準方差[3]，其公式分別為

μ=1M×N∑Mx=1∑Ny=1[I（x，y）]；（1）

σ=[1M×N∑Mx=1∑Ny=1|I（x，y）-μ|2]1/2。（2）

式中：μ、σ分別為一階矩、二階矩；M×N為圖像的尺寸；I（x，y） 為（x，y）處的像素值。

1幅圖像包含R、G、B 3個通道，本研究將每個通道均提取一階、二階顏色矩，這樣就可以獲得6個顏色特征參數(shù)。

2.3紋理特征提取

紋理特征作為圖像識別經(jīng)常須要提取的重要特征之一，是圖像中普遍存在但又難以描述的重要視覺特征。目前對紋理特征的描述主要有4種方法，分別為統(tǒng)計法、結(jié)構(gòu)法、信號處理法、模型法。在統(tǒng)計方法中，利用灰度共生矩陣（grey level co-occurrence matrix，GLCM）提取圖像的紋理特征已經(jīng)比較成熟[12]?；叶裙采仃囀怯蒆aralick等于1973年提出的一種可以精確地反映出紋理灰度空間相關(guān)性的理論[13]?；叶裙采仃嘝（i，j︱d，θ）（i、j = 0，1，2，…，L-1）用于表示具有空間位置關(guān)系，且灰度值分別為i、j的2個像素出現(xiàn)的次數(shù)或概率（歸一化），其中L為灰度級，θ為灰度共生矩陣的生成方向，d=（Dx，Dy），如圖3所示。endprint

利用灰度共生矩陣P（i，j︱d，θ）可以對紋理特征用以下4個參數(shù)來描述[10]。

（1）能量（ASM），能量是灰度共生矩陣所有元素值的平方和，它可以反映圖像灰度分布的均勻程度和紋理的粗細程度，其計算公式為

ASM=∑L-1i=0∑L-1j=0P（i，j︱d，θ）2。（3）

（2）熵（ENT），對圖像中紋理的非均勻程度或者復(fù)雜程度可以用熵來表示，其計算公式為

ENT=-∑L-1i=0∑L-1j=0P（i，j︱d，θ）log2P（i，j︱d，θ）。（4）

（3）對比度（CON），對比度主要可以體現(xiàn)出圖像的清晰程度和紋理溝紋的深淺程度，其計算公式為

CON=∑L-1i=0∑L-1j=0（i-j）2P（i，j︱d，θ）。（5）

（4）相關(guān)性（COR），相關(guān)性可以反映出圖像局部的相關(guān)程度，其計算公式為

COR=[∑L-1i=0∑L-1j=0（ij）P（i，j︱d，θ）-μxμy]/σxσy。（6）

式中：μx、σx分別為行方向上紋理參數(shù)的平均值、方差；μy、σy分別為列方向上紋理參數(shù)的平均值、方差。

因為灰度共生矩陣具有方向性，所以取不同的常見方向（0°、45°、90°、135°）的灰度共生矩陣，然后根據(jù)上述參數(shù)公式分別計算4個方向的紋理參數(shù)，最后通過計算各個參數(shù)的均值作為紋理特征向量的各個分量。為了減少灰度共生矩陣的計算量，以提高運算速度，須要提前把普通的灰度圖像由256級壓縮為所需的級數(shù)[14]。本研究將原圖像變?yōu)榛叶葓D像，然后將變換后的灰度圖像的灰度級壓縮為64級進行特征提取，這樣可得到4個紋理特征參數(shù)。

3分類識別

SVM以結(jié)構(gòu)化風險最小化為原則，可以實現(xiàn)經(jīng)驗風險和置信范圍的最小化，從而達到在統(tǒng)計樣本量較少的情況下也能獲得良好的分類結(jié)果的目的[4]。SVM中常用的核函數(shù)包括多項式核函數(shù)、徑向基核函數(shù)（radial basis function，RBF）、線性核函數(shù)和Sigmoid核函數(shù)。考慮到RBF可以實現(xiàn)非線性映射，須要確定的參數(shù)少且一般情況下不會出現(xiàn)太大的偏差，因此一般選取RBF作為核函數(shù)。SVM分類器決策函數(shù)及RBF的表達式分別如公式（7）、公式（8）所示[3，14]。

h（x）=sgn[∑ni=1ai*yiK（xi，yi）+b*]；（7）

K（x，y）=exp（-γx-y2）。（8）

式中：SV表示支持向量（support vector）的集合；sgn（.）為符號函數(shù)；支持向量的ai*取值不為0，非支持向量的ai*取值為0；b*是分類閾值；γ為RBF中K（x，y）的參數(shù)。

將采集到的200幅葡萄圖像中的120幅（正常及3種病害圖像各30幅）作為訓(xùn)練樣本進行訓(xùn)練，剩余80幅（正常及3種病害圖像各20幅）作為測試樣本進行測試識別。經(jīng)多次試驗驗證，當選擇RBF作為核函數(shù)，令懲罰參數(shù)C為64、RBF參數(shù)γ=1時，分類效果最好，對測試樣本的識別正確率可達95%及以上（表1）。

4結(jié)論與討論

本研究通過對葡萄葉部病害圖像進行預(yù)處理及對病斑形狀、顏色和紋理特征進行提取，提出多特征組合的方式利用SVM分類器進行病害識別，最佳識別正確率可達95.00%，整個研究過程及結(jié)果可以得出以下結(jié)論。

為提高圖像的識別準確率可以通過增加有效特征的方式來實現(xiàn)，病斑的形狀、顏色、紋理特征相結(jié)合的方式比單一特征或兩兩特征組合進行病害識別的正確率高。因此，本研究可以有效地對葡萄葉部白粉病、霜霉病、黑腐病進行識別。

通過多次試驗可以確定選擇RBF進行SVM分類的效果最好，同時也驗證了在OpenCV平臺進行圖像識別算法開發(fā)的可行性。

該研究目前只能對植物葉片某個固定時期的單一病害進行特征提取和識別，存在局限性。對植物葉部不同時期、混合病害或植物其他部位病害的特征提取及識別還有待進一步深入研究。

參考文獻：

[1]曹樂平. 基于機器視覺的植物病蟲害實時識別方法[J]. 中國農(nóng)學(xué)通報，2015，31（20）：244-249.

[2]Yao Q，Guan Z X，Zhou Y F，et al. Application of support vector machine for detecting rice diseases using shape and color texture features[C]//2009 International Conference on Engineering Computation，IEEE Computer Society，2009：79-83.

[3]楊倩，高曉陽，武季玲，等. 基于顏色和紋理特征的大麥主要病害識別研究[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報，2013，18（5）：129-135.

[4]劉濤，仲曉春，孫成明，等. 基于計算機視覺的水稻葉部病害識別研究[J]. 中國農(nóng)業(yè)科學(xué)，2014，47（4）：664-674.

[5]李冠林，馬占鴻，王海光. 基于支持向量機的小麥條銹病和葉銹病圖像識別[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報，2012，17（2）：72-79.

[6]胡敏，陳紅波，徐良鳳，等. 基于顏色和紋理特征的黃瓜病害識

別算法[J]. 電子測量與儀器學(xué)報，2015，29（7）：970-977.

[7]何志勇，孫立寧，陳立國. Otsu準則下分割閾值的快速計算[J]. 電子學(xué)報，2013，41（2）：267-272.

[8]胡秋萍. 基于葉片形狀特征的植物識別技術(shù)研究[D]. 西安：西安電子科技大學(xué)，2014.

[9]毋媛媛，刁智華，王會丹，等. 作物病害圖像形狀特征提取研究[J]. 農(nóng)機化研究，2015（1）：64-67.

[10]余秀麗，徐超，王丹丹，等. 基于SVM的小麥葉部病害識別方法研究[J]. 農(nóng)機化研究，2014（11）：151-155.

[11]曾傳華，陳紅，丁幼春，等. 基于顏色和紋理特征的竹材分類方法研究[J]. 林業(yè)機械與木工設(shè)備，2010，38（3）：37-39.

[12]陳強，田杰，黃海寧，等. 基于統(tǒng)計和紋理特征的SAS圖像SVM分割研究[J]. 儀器儀表學(xué)報，2013，34（6）：1413-1420.

[13]Haralick R M，Shanmugam K，Dinstein I. Texture features for image classification[J]. IEEE Transactons on Systems Man and Cybernetics，1973，SMC-3（6）：610-621.

[14]張錚，徐超，任淑霞，等. 數(shù)字圖像處理與機器視覺[M]. 北京：人民郵電出版社，2010.江蘇農(nóng)業(yè)科學(xué)2017年第45卷第23期劉偉，張永輝，牛祺君，等. 基于NFC技術(shù)的熱帶農(nóng)產(chǎn)品可追溯系統(tǒng)的設(shè)計[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（23）：225-230.endprint